> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# fastai v1

> fastai v1에서 W&B 콜백을 사용해 모델 토폴로지, 손실, 메트릭, 가중치, 그라디언트, 예측을 로깅합니다.

<Note>
  이 문서는 fastai v1용입니다.
  현재 버전의 fastai를 사용한다면 [fastai page](../)를 참고하세요.
</Note>

fastai v1을 사용하는 스크립트를 위해 모델 토폴로지, 손실, 메트릭, 가중치, 그라디언트, 샘플 예측, 그리고 가장 잘 트레이닝된 모델을 자동으로 로깅할 수 있는 콜백을 제공합니다.

```python theme={null}
import wandb
from wandb.fastai import WandbCallback

wandb.init()

learn = cnn_learner(data, model, callback_fns=WandbCallback)
learn.fit(epochs)
```

원하는 로깅 데이터는 콜백 생성자를 통해 설정할 수 있습니다.

```python theme={null}
from functools import partial

learn = cnn_learner(
    data, model, callback_fns=partial(WandbCallback, input_type="images")
)
```

트레이닝을 시작할 때에만 WandbCallback를 사용할 수도 있습니다. 이 경우 WandbCallback를 인스턴스화해야 합니다.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn))
```

이 단계에서 맞춤형 매개변수를 지정할 수도 있습니다.

```python theme={null}
learn.fit(epochs, callbacks=WandbCallback(learn, input_type="images"))
```

<div id="example-code">
  ## 예제 코드
</div>

인테그레이션이 어떻게 작동하는지 확인할 수 있도록 몇 가지 예제를 준비했습니다:

**Fastai v1**

* [심슨 가족 캐릭터 분류하기](https://github.com/borisdayma/simpsons-fastai)[: ](https://app.wandb.ai/jxmorris12/huggingface-demo/reports/A-Step-by-Step-Guide-to-Tracking-Hugging-Face-Model-Performance--VmlldzoxMDE2MTU)Fastai 모델을 추적하고 비교하는 간단한 데모
* [Fastai를 사용한 시맨틱 세그멘테이션](https://github.com/borisdayma/semantic-segmentation): 자율주행차용 신경망 최적화

<div id="options">
  ## 옵션
</div>

`WandbCallback()` 클래스는 여러 옵션을 지원합니다:

| 키워드 인수           | 기본값       | 설명                                                                         |
| ---------------- | --------- | -------------------------------------------------------------------------- |
| learn            | N/A       | 연결할 fast.ai learner입니다.                                                    |
| save\_model      | True      | 각 step에서 모델 성능이 개선되면 저장합니다. 또한 트레이닝이 끝나면 최적 모델을 로드합니다.                     |
| mode             | auto      | `min`, `max`, 또는 `auto`: 각 step 사이에서 `monitor`에 지정된 트레이닝 메트릭을 비교하는 방법입니다.  |
| monitor          | None      | 최적 모델 저장 여부를 판단하기 위한 성능 측정에 사용하는 트레이닝 메트릭입니다. None이면 기본적으로 검증 loss를 사용합니다. |
| log              | gradients | `gradients`, `parameters`, `all`, 또는 None입니다. loss와 메트릭은 항상 로깅됩니다.         |
| input\_type      | None      | `images` 또는 `None`입니다. 샘플 예측을 표시하는 데 사용됩니다.                                |
| validation\_data | None      | `input_type`가 설정된 경우 샘플 예측에 사용하는 데이터입니다.                                   |
| predictions      | 36        | `input_type`가 설정되고 `validation_data`가 `None`인 경우 생성할 예측 수입니다.              |
| seed             | 12345     | `input_type`가 설정되고 `validation_data`가 `None`인 경우 샘플 예측용 무작위 생성기를 초기화합니다.   |